1.一种先验GAN模型医学影像生成方法，其特征在于：包括以下步骤：

步骤一、发明一个有意义的改进模型，即先验条件生成对抗网络PCGAN；

步骤二、利用DGAN的思想，优化生成网络G和判别网络D；

步骤三、通过主成分分析方法PCA构建器官的二维或三维形状空间，生成具有物理意义解释的标签图；

步骤四、用优化的网络参数和先验标签生成医学影像；

步骤五、用未标注的图像与已标注的图像进行对比，寻找未标注图像上与已标注图像上的类似区域，对未标注图像进行标注，并对标注进行修正。

2.根据权利要求1所述的一种先验GAN模型医学影像生成方法，其特征在于：所述步骤一具体为，朴素GAN方法将一个简单的概率分布通过参数化的概率生成模型转换成给定观测数据的真实概率分布，再基于所得到的概率分布模型产生与观测数据类似的新数据，将T作为概率生成模型，概率生成模型T可以将均匀分布变换成高斯分布：其中(u1,u2)～U(0,1)；

将所有n×n图像构成一个空间，记为图像空间χ，每一张图像看成是空间中的一个点(x∈χ)，用v(x)来表示图片是否表达一个真实对象的概率，那么v就是GAN要学习的目标概率测度，这种概率测度通常用期望表示。在加入条件限制的情形下，便得到条件生成判别网络，即CGAN，它的数学描述是：其中x表示真实图片，z表示输入到G网络的随机噪声，G(z)表示生成的图片，D(x)和D(G(z))分别表示网络D判断真实图片和生成图片是否真实的概率。CGAN模型学习在条件图像y约束下，将随机噪声z生成与结构y相似的图像之间的映射G:{y,z}→x。

考虑到生成图像和标签图的目标边缘具有较大的梯度值，将该梯度差异作为生成网络的额外损失，即该约束项定义为：其中dA是积分单元，Ω是标签目标区域， 是标签图的目标边界，f是一个距离测度，即梯度差异项只考虑目标边界处的梯度差异。对于网络稳定适用性，在生成网络中，用TV范数约束生成图像保持目标边界信息，用Tikhonov范数约束生成图像在目标区域内灰度变化保持平滑，使其产生与标签图相吻合的清晰图，即该正则约束项定义为：其中前两项是Tikhonov范数，约束图像的生成和生成图像目标区域的平滑性，第三项约束生成图像边缘的清晰度。为了保持判别网络不变，综合考虑生成网络的多重约束，拟建立如下关于生成网络的损失函数：

3.根据权利要求1所述的一种先验GAN模型医学影像生成方法，其特征在于：所述步骤二具体为，最小化步骤一的损失函数包含如下两步，首先确定生成网络G，最大化判别网络D：其中Lbce为二值交叉熵。假设其网络参数为wd，其梯度流为：

然后确定判别网络D，最大化生成网络G：

假设其网络参数为wg，其梯度流为：

4.根据权利要求1所述的一种先验GAN模型医学影像生成方法，其特征在于：所述步骤三具体为，假设每个器官由维度为d的向量φ表示，由N个样本便可以构建一个维度为d×N的形状矩阵M＝[φ1,φ2,…,φN]，利用统计形状模型的方法，一个新形状 可以通过下式给出：其中 是平均形状，P是包含协方差矩阵的前t个最大特征值对应的t个特征向量组成的矩阵，bi是维度为t的形状参数向量，通过随机采样bi元素的值，可以得到形状空间的“新形状”。

5.根据权利要求1所述的一种先验GAN模型医学影像生成方法，其特征在于：所述步骤四具体为，将步骤三中的点或网格构成的先验形状生成二值标签图，该标签图具有物理统计意义，引导原始图像的生成。假设网格形状 对应的二值标签图是y，根据得到的优化参数wg和wd正向计算可以得到标签图对应的生成图像G(z|y)。